德卤爱开车

【理想马赫VLA 和 蔚来NWM 2.0】 昨天理想发了一张智驾的架构图，我知道大家都在等一个 NWM 和 马赫 VLA 的分析。 刚落地，在飞机上我把能找的资料都快翻烂了，写了一些我的理解，我也是互联网学生，写错了大家指出就行了，别怼天怼地，实在不行，你亲自写。 好了叠甲完成，现在开始。 先说共同点 在两家的资料里，不约而同都出现了 World Model 这个词。 理想的叫 Predictive Latent World Model （预测式隐世界模型），藏在架构深处，负责 隐式推理； 蔚来的叫 NWM（NIO World Model），是整个系统的核心主角。 但同样是世界模型，两家对它的定位完全不一样，这个不一样，解释了后面所有的技术区别。 一、架构起点：信息怎么进去 理想：多路编码并行输入 看理想架构图，左侧是四条并行的输入通道： 1. Long-term Memory / User Preference（长时记忆/用户偏好） 这是理想新增的输入通道，记录用户的驾驶习惯和偏好，比如用户喜欢激进还是保守的变道风格、常用路线等 2. Encoder（解码器），标准传感器编码器，处理原始感知数据 3. 3D ViT Encoder（3D视觉编码器），处理多视角摄像头图像，输出3D视觉token序列 4. Text Tokenizer（文本分词器），处理语言指令。 四条通道并行编码后，统一进入 Native Multi-Modal Transformer（原生多模态Transformer）。 这意味着理想在输入层面就把不同模态对齐到同一个表示空间里了，语言、视觉、用户偏好、历史记忆，统统编码成统一的token序列，共享后续的处理。 这里有个关键点：语言和视觉在进入Transformer之前就已经完成了模态对齐，不是到了Transformer里才互相看见。 蔚来：传感器直连世界模型 蔚来的NWM 2.0架构里，没有显式的Text Tokenizer路径。 蔚来的逻辑是：世界模型直接从传感器数据（摄像头、激光雷达、毫米波雷达）里学习，语言是后来叠加的模块，不是原始输入。 这和任少卿一直强调的视频是比语言更底层的认知一脉相承，婴儿不需要语言就能学会躲避障碍物，驾驶能力同样不需要语言介入就能学会。 所以蔚来选择让世界模型直接从原始传感器流里 看 世界，语言是给人类交互用的，不是给机器决策用的。 当车辆的智能程度越高，我们越要想车在想什么？ 这是差异最大的地方。 理想用一条链路同时跑两件事，看理想的架构，中间层有四个并行模块： - Prefill KV-Cache：推理时的上下文缓存，加速后续token生成 - Reasoning Decision（思考决策）：System-2的显式推理，慢思考模块 - Latent World Model（隐世界模型）：在隐空间里做未来预测，不是生成视频，是在压缩空间里推演场景演变 - Trajectories（轨迹）：最终输出的轨迹 关键在于这四个模块不是串行的，而是并行共存于同一个前向传播里。 思考决策和隐世界模型同时运行。 Reasoning Decision负责显式的语言式推理，当前是什么场景，应该用什么策略； Latent World Model负责隐式的未来推演，如果我这样做，接下来几秒会发生什么。 两者结果互相参考，最终生成轨迹。 这就解释了为什么理想叫它 Predictive Latent World Model。 它不是靠生成视频来想象，而是在隐空间里做预测。隐空间是经过压缩的高维表示，信息密度高但不可直接解读，所以叫 隐空间。 这种设计的好处是，计算效率远高于显式视频生成，但代价是无法直接可视化 车在想什么。 你想知道系统在想什么，只能通过Decode Output 来看它的文字解释，而不是看它生成的视频。 蔚来NWM 2.0的决策逻辑完全不同。 架构核心理念从 生成-筛选 变成了直接生成唯一最优解。 蔚来1.0时代是，感知到 生成216条候选轨迹 到 规则打分 再到 选最优 最后 执行 蔚来2.0时代：感知直接到世界模型直接输出唯一最优轨迹 再 执行 这个转变的关键在于：2.0版本的模型不是在运行时 挑 轨迹，而是在训练阶段就已经通过强化学习学会了 什么样的决策是最优的。 运行时不需要再生成216条再筛选，直接输出一个确定的、最优的结果。 所以蔚来2.0的latency更低、可解释性更强，因为只有一条轨迹可以回溯，但代价是，训练难度更高，你必须确保模型在训练时见过足够多样的场景，否则遇到没见过的就容易出错。 蔚来的另一个关键机制是，每100毫秒重新生成一次。 不是按一条既定轨迹跑到底，而是高频重评估：每个100毫秒窗口，模型重新推演216种可能性，重新找最优解。 这意味着蔚来的系统永远处于 实时思考 状态，动态响应能力很强。 在这些之下其实对模型的训练要求更高了。 从架构图底部七个模块可以看出理想的完整训练体系： 第一层：Native Multi-Modal Transformer 基础是原生多模态Transformer架构，视觉、语言、动作共享同一个backbone。 训练时三者的梯度同时回传，互相约束。 第二层：Predictive Latent World Model + System-2 Explicit Reasoning 隐世界模型负责在隐空间里做未来预测，System-2负责显式语言推理。 两者是并行的，隐世界模型不需要语言参与就能推理，但System-2的推理结果可以注入到轨迹生成里。 这里System-2的定位更像是 解释器 而不是 决策者，它输出的是当前场景的语义理解和决策的理由，这些信息帮助人类理解车的行为。 但控制信号直接从隐世界模型出来，不经过System-2。 第三层：Closed Loop RL for Generalization（闭环强化学习） 这是让模型能突破人类数据上限的关键。 理想通过在仿真环境里设定目标，让模型自己探索怎样才能达成目标，而不是单纯模仿人类司机。 仿真器里的奖励函数，成功抵达目标给正分，违章给负分驱动模型自主优化策略。 蔚来NWM 2.0的训练体系是三层叠加： 第一层：世界模型 + 自监督视频预测 训练目标是给定过去3秒视频，预测接下来会发生什么。 模型从海量视频里自己学会物理规律，不需要人工标注。 第二层：监督微调（SFT） 蔚来在2026年5月这次升级里，把SFT（监督微调）引入了训练流程。 在自监督视频预测之后，用高质量的人类驾驶数据做精细的行为雕刻，让模型的输出更像正确的老司机，而不是平均水平的司机。 第三层：闭环强化学习 蔚来是国内第一个真正量产落地完整闭环强化学习的自动驾驶系统。 它先是构建仿真环境，设定一个目标线，比如成功通过这个路口，让模型不断尝试，成功穿越给奖励，用时短额外加分，压实线扣分。 模型在仿真器里自我进化，探索出超越人类司机习惯的最优策略。 蔚来强调，这种方式不需要SD+（地图指引），不需要专家数据，只要仿真环境能构建出类似场景，模型就能自己学会。 这是泛化性最强的训练方式。 其实在整个辅助驾驶系统里最重要的是，怎么让决策怎么变成好的动作。 理想这边从架构图看，行为输出的核心技术是 MoE Action Parallel Decoding。 它不是整个模型所有参数都参与每次推理，而是动态选择最相关的专家子网络来处理当前输入。 这让模型可以很大，但不拖慢推理速度。 用并行解码的方式，轨迹的所有点同时生成，不是逐个自回归。 一次性输出完整轨迹，然后执行。 这是量产架构，其实和之前论文里提到的Flow Matching有出入。 量产版本选择了更工程化的MoE+并行解码，而不是论文里的扩散模型路线。 之前 8.0、8.1、8.2 选道很垮，轨迹生成非常差，估计和扩散有关。 蔚来NWM 2.0的动作输出有一个重大变化是：横纵向控制一体化。 1.0时代：横向（方向盘）由模型控制，纵向（速度）由模型+规则共同控制 2.0时代：横向和纵向完全由模型一体化输出，不再有规则参与的双轨制。 这意味着方向盘转角和油门/刹车力度，由同一个模型同时决定，而不是两个模块分别决定再合并。 好处是加减速和转向的衔接更丝滑，坏处是调试难度更高，两个控制维度耦合在一起，出问题不好定位。 蔚来2.0还做了一件重要的事，去掉传统轨迹规划层。 车不再先规划一条路径，而是直接输出控制信号给执行器。 路径信息压缩在模型的隐表示里，不显式出现。 其实看到最后，你会发现他们俩最大的区别不是系统的设计和技术差异，而是产品理念。 他们对 用户 和 辅助驾驶 之间的关系思考，至少看起来是不一样的。 至于怎么不一样？ 你可以猜一猜。

图 1 是理想上一代架构； 图 2 是理想现在的新架构； 有点难理解，但整体还行，解释一下： 理想两代架构对比：为什么'绕过语言'是正确的一步 两代架构放在一起，最容易看出来的变化是：中间那层不见了。 上一代有Spatial → Linguistic → Action，三段式。 这一代把'语言'那层压缩掉，视觉信号和文本信号直接进模型，出来就是动作。 但'去掉语言层'这件事，不是字面意思那么简单。 它背后有一套因果逻辑，值得认真拆解。 语言模型在中间扮演什么角色？ 先回答一个问题：为什么上一代要用Mind GPT做中间层？ 语言模型的核心能力是语义理解和常识推理。 '停在站台边的公交车可能要起步'，这个判断不是像素直接告诉你的，是你知道公交车通常不会无缘无故停在路边，有人上车才会启动。 知道这个常识，才能做出正确判断。 所以上一代的思路是：先用3D编码器把视觉信息压缩成语义特征，再让语言模型在语义层面做理解和推理，最后靠扩散解码器把推理结果翻译成可执行的轨迹。 语言在这里充当了一座桥。 视觉信号先过桥变成文字，语言模型在彼岸推理，推理结果再过桥变成动作。 这座桥本身不是问题。 问题是桥的两端在不同的世界里。 语言模型的'输入'是离散的符号序列，'输出'也是离散的符号序列。 一张2D图像被编码器压缩成一系列token，token之间是离散的语言符号。 但驾驶不是离散符号，它是一个连续的物理过程，旁车的速度、它和你的相对距离、道路曲率下一秒会怎么变化，这些信息在语言符号的离散空间里不可避免地会被压缩。 更关键的是，驾驶需要多步推演。 '如果我现在变道，旁车3秒后会减速。' 这不是一个静态的语义理解，而是一个动态的条件预测。 语言模型能理解'A会导致B'，但它的下一个词预测机制不显式建模时间维度上的因果链，它能输出'A导致B'这句话，但'因为A所以B'的推演过程藏在模型的权重里，从外面看不到。 换句话说：语言模型能给出对的答案，但它的推理过程不可审计。 这在聊天场景里不是问题，答案对就行。 但在自动驾驶场景里，'为什么'和'是什么'同样重要。 如果系统做了一个决策，工程师需要知道决策的依据是什么，才能判断这个决策是否合理、边界在哪里。 上一代用语言翻译搭的桥，在推理和动作之间留下了一个不透明的灰色地带。 隐空间推演是什么？ 这一代的核心变化，就是把推理从语言空间挪到了隐空间。 隐空间不是语言符号构成的空间，而是连续数学构成的空间。 它的每一个点不是一个词或一个标签，而是一个连续的状态向量。 连续空间天然适合描述物理过程。速度、距离、加速度、相对位置，这些物理量在隐空间里直接对应向量运算，不需要被翻译成'前车速度较快'这样的离散标签再处理。 隐世界模型在这里做的，是把当前场景编码成隐空间里的一组向量，然后用这组向量推演未来几步的状态变化。 不生成像素，不生成文字，直接在连续空间里'想象'，如果我做了动作A，未来某个时刻系统的隐状态会变成什么样。 这套机制能解决'多步推演'的问题。 语言模型能做一步推理（看到公交车，输出'可能起步'），但两步以上的条件推理（如果我减速它会怎样、如果我加速它会怎样）需要在前一步的结果上继续推演，每一步都有信息损耗。 隐世界模型不一样——它推演的是连续状态，每一步之间的信息传递是向量之间的数学运算，没有离散符号翻译的损耗。 这就是为什么隐空间比语言空间更适合驾驶推理。 不是因为数学上更先进，而是因为驾驶这个问题的本质就是连续物理过程，用连续空间建模天然比用离散符号建模更匹配。 显式推理的必要性。 但隐世界模型有个弱点：它推演的过程也在隐空间里，外面看不到。 模型输出了一个决策，但你不知道它为什么做了这个决策。隐状态变了，你知道状态变了，但不知道为什么会变。 这对产品来说是可接受的——用户不需要知道车的'脑子里'在想什么。但对工程来说不可接受。 出了问题，调参没有依据，边界情况一个接一个地冒出来。 所以这一代加了一个'系统2'层，把隐空间的推理结果翻译成可读的逻辑表达。 我认为这辆公交车正在等人，所以我选择减速跟随而不是绕行。 这句话不是驾驶决策本身，而是决策的推理链。 它输出给用户，是解释； 输出给工程师，是调试依据； 输出给验证流程，是可追溯的决策记录。 系统2不改变决策结果，它把决策过程显式化了。模型在隐空间里做推演，在语言空间里说清楚，两个过程并行存在，各司其职。 动作生成的三层设计。 推演完了，接下来是动作生成。 上一代用扩散解码器做轨迹生成，过程是：输入一个带噪音的轨迹，通过多轮去噪迭代，逐渐恢复出一条干净、合理的轨迹。 扩散生成的好处是质量高，每一步迭代都在约束轨迹的物理合理性。但坏处是慢——多轮去噪需要串行计算，推理延迟有下限。 这一代没有把扩散解码器扔掉，而是把它拆成了三层： 第一层：Action Expert。 从3D场景特征、导航目标、驾驶指令中提取关键信息，生成一个'大概对'的初始轨迹。 快，但不精确。 第二层：Parallel Decoding。 把所有轨迹点并行输出，不是一个点一个点生成，而是一次性生成完整轨迹。 解决的是速度问题。 第三层：Discrete Diffusion。 对并行生成的轨迹做多轮去噪精修。解决的是质量问题。 三层各司其职：Action Expert给出方向，Parallel Decoding给出速度，Diffusion给出精度。 上一代是'精但慢'，这一代是'快的基础上求精'。 两者不是替代关系，而是分工关系。 最后说一下长时记忆。 上一代架构在上下文层面支持用户偏好——当前会话里的驾驶习惯可以被感知和调用。 但这种偏好存储在上下文窗口里，关机即消失，不跨session。 这一代有了显式的Long-term Memory模块。 用户偏好被持续学习、长期存储，不依赖单次会话的上下文长度。系统记住你偏保守、喜欢在中间车道跑、经过这个路口习惯提前并线，这些偏好跨时间积累，持续影响模型决策。 这个变化在架构层面意味着什么？ 意味着用户偏好不再只是'当前这轮对话的输入'，而是模型权重调整的一部分。 系统不是根据你说了什么临时做决策，而是根据你过去怎么开车，持续校准决策风格。 不是'记住你说了什么'，是'记住你是什么样的人'。 上一代的答案是'语言空间'。 视觉信号翻译成语言，语言模型在语言层面推理，推理结果翻译成动作。 三次翻译换来了可解释性，代价是信息损耗和延迟。 这一代的答案是'隐空间'。 视觉信号和语言信号一起进入隐空间，在连续数学里直接推演，最后把推理过程显式翻译成可读的解释。 推理和动作在同一个空间里完成，没有翻译损耗。 绕过语言不是因为语言模型不够强，而是因为驾驶这个任务的本质是连续物理过程，在连续空间里做推理比在离散符号空间里更匹配问题的数学结构。

本来今天这个应该是一个软件发布会，现在变成了软件和具身智能战略发布会。

一、车机芯片算力演进趋势 2026年车机芯片算力将全面超越同期手机芯片，覆盖CPU、GPU、NPU三大核心算力维度。 - 演进路线： 从2019年的820A 2022年的8155 2024年的8295 到2026年的骁龙8797 Max/8797 Elite车机芯片，性能持续跃升，最终在三大算力维度均反超手机芯片。 二、SS HW 4.0座舱平台 1. 核心硬件：搭载高通骁龙8797车规芯片，核心参数为CPU 504K、GPU 8.1T、NPU 320TOPS。 2. 代际提升：对比上一代8295芯片，CPU性能提升2.3倍，GPU性能提升2.8倍，NPU算力提升7倍。 3. 交互体验：支持90Hz高帧率显示，操作达到毫秒级响应：应用切换400ms、语音唤醒320ms、远程空调启动800ms、语音响应610ms、休眠唤醒1500ms。 4. 架构设计：采用集中式HU域架构，整合SOC、MCU、电源管理模块，可外接多屏显示、多摄像头、音响系统、各类外设接口与车控模块，扩展性强。

【极氪9X，6万台背后的三个小观察】 极氪9X累计交付破6万台，连续7个月拿下50万以上大型SUV销量第一。 这个数字放汽车行业里，算不上什么惊天动地的大新闻。毕竟大型SUV本来就不是走量的市场。 但极氪能把9X推到这个位置，还是有些东西值得说说。 第一，定位卡得准 50万以上的大型SUV，消费者要的是什么？说白了就是既要大、又要贵、还要不一样。 燃油车时代这个价位的选择就那么几个，BBA加个凯迪拉克，消费者选来选去都是差不多的套路。 极氪进场的时候切了一个很巧妙的点，国产新能源旗舰，用料扎实、配置拉满、价格比BBA还实在。 这套打法在009上验证过，搬到9X上依然管用。 第二，销量是结果，口碑是护城河 7个月连续第一，说明这不是某一两个月的脉冲式爆发，而是持续稳定的输出。 大型SUV的买家决策周期本来就长，试驾、比较、等车，折腾下来小半年是常态。 能在这个周期里保持稳定的交付节奏和订单转化，靠的不是某一两个爆点，而是产品力和服务口碑在持续起作用。 第三，6万台之后呢 极氪现在面临一个很现实的问题：9X已经把旗舰的天花板撑到了一个高度，后续不管是改款还是换代，压力都比以前大了。 一方面要守住现有用户群体的认可，另一方面还要持续吸引新用户入场。 口碑这东西上去容易下来快，接下来几个月的交付数据和用户反馈会是一个很实在的检验。 极氪这两年的成长轨迹其实挺清晰的——产品节奏踩得越来越准，品牌调性也在慢慢立起来。 9X的6万台是一个节点，但远不是终点。

截止5月底，东风日产NX8锁单突破1.2万，骞总直播间立Flag。 NX8单月销量做到15-20万级合资中大型SUV第1，或销量/用户服务满意度冲进行业前3。 做到一条，请全国NX8车主的吃火锅。 说话算话，年底见分晓。

#何小鹏带队机器人冲刺量产##小鹏机器人200天冲刺量产#小鹏今天发了条内部信，何小鹏亲自带队机器人业务。 不是挂个名，是真的下场拉团队那种。 这个动作本身就是一个信号。 小鹏内部的高管分工一直比较清晰，何小鹏主要抓战略和产品节奏，具体的业务运营放手给团队。 这次把机器人业务收回来自己管，说明这个节点在他心里已经不是"可以交给别人盯着"的级别了。 他在信里把当前阶段类比成"8年前G3量产前夜"。这个表述是刻意选过的。 2017年G3发布前小鹏是什么状态，行业有记忆，那是真正要上量、真正要接受市场检验的时刻。 何小鹏拿这个时间点做参照，意思很明确：机器人业务不是还在研发里打磨的阶段，是真的要走出实验室、走向量产了。 2026年底量产，目标激进但有逻辑。 IRON人形机器人，年底量产，率先在小鹏门店落地。 这个时间表说不上保守。人形机器人赛道的热度今年一直很高，特斯拉Optimus、Figure、宇树，国内的智元、傅利叶，动作都在加快。 小鹏这时候喊出量产目标，竞争的紧迫感是真实存在的。 但小鹏做机器人有一个天然优势，供应链和制造体系可以复用。 汽车生产线对精密制造的要求不比机器人低，电池、电机、传感器这些核心零部件在两个品类之间有大量交集。 小鹏现在的工厂和供应链能力，如果真的能迁移到机器人业务上，成本控制和量产效率会比从零起步的对手快很多。 IRON走的是另一条路。 和小鹏在信里强调的四个关键词：最拟人、本地AI交互、最安全、全栈自研+跨域融合。 这和现在主流的人形机器人路线不太一样。行业里很多玩家在拼运动能力、拼关节数量、拼行走速度，小鹏强调的是AI交互和安全性。 这个选择和小鹏在智驾上的思路一脉相承，小鹏从来不只是一个造车公司，本质上是一家做AI能力输出的科技公司。 把汽车上积累的感知、决策、交互能力迁移到机器人上，这个逻辑是自洽的。 能不能成，看什么？ 量产不是终点。 机器人进门店能干什么，终端用户认不认，商业模式能不能跑通，这些问题会比量产本身更难回答。 但有一点可以确定：何小鹏把"一号位"的决心拿出来了。 8年前他用这个态度推G3，最后把P7推了出来、G6卖到了月销过万。 这次能不能复制，看接下来的动作。

上汽大众 ID.ERA 9X 的量出来了。 还是不错的，大家现在对于卖车都很焦虑，大众这边的产品现在是跑起来了。 所以能看到有了不错的结果。 后面还有好几款车在路上了。

乐道 L60 大家还是要认真看一下， 过去我们一直讲这款车 baas 后价格有多低， 但事实上是，这款车的产品更值得多讲讲。 L90、L80 都有自己的产品特征， L60 似乎不太突出， 但这显然是一个错误。 这两天陆续已经有智驾的体验放出来了， 统一软硬件之后这个能力确实被无限释放了， 一句话：nio 有什么智驾体验，L60 也就是什么体验， 这里并没有说 乐道，而是确实要强调 L60， 能耗 就不用说，一千公里补能一次， 这会让很多第一次接触纯电的用户感到惊讶。

上汽奥迪 E7X 标配 后排娱乐屏，而且还是 21 寸的，非常夸张。 我之前问过为什么不标配冰箱，而且标配电视。 虽然没有明说，但总结就是，都知道冰箱的实用性是高于电视的，甚至更知道电视很多用户都打开不了几次。 但电视比冰箱的显性价值更大。 你看看，把厂家逼成啥样了。哈哈哈哈 你喜欢电视还是冰箱？

#小鹏P7+海外多国陆续开启交付#全球车小鹏P7+在挪威、法国等多个国家陆续开启交付。 小鹏汽车副董事长兼总裁顾宏地博士亲自为法国首台P7+车主进行交付。 作为一款面向全球的超大空间AI智能轿车，小鹏P7+今年1月份在欧洲上市，并在奥地利麦格纳工厂本地化生产。 首台下线时，本地的经济部长也亲自出席见证这款高品质全球车的落地。

蔚来设计体系内，除了大名鼎鼎的 kris，大家还可以了解一下 CMF 团队。 蔚来 CMF色彩·材料·工艺团队： 1、斯蒂芬妮·瓦瑟（Stephanie Waser） - 履历：先后任职奔驰、福特，擅长多种材质组合与情感化设计 - 蔚来任职：CMF团队负责人，与弗洛里安·施密德共同打造蔚来 第二起居室 设计理念。 2、弗洛里安·施密德（Florian Schmid） - 履历：拥有独立工作室，擅长家居设计，风格温馨 - 蔚来任职：长期合作CMF顾问，优化内饰居家质感。